所有物种基因Symbol别名转换为最新Symbol

需求

在数据分析中会经常出现感兴趣的基因不在矩阵中，可能的原因是没有测到或旧版Symbol。因此需要找到旧版Symbol（Alias别名）和最新Symbol（Current Symbol）之间的对应关系。

bq.tl.current_symbol可以把（表达）矩阵中的Symbol变为最新版

第一个参数数据框（index为Symbol）

第二个参数Symbol与Alias对应关系文件路径

第三个参数物种tax_id比如人的是9606。

SymbolAlias_20230317.feather的获取可以发送邮件到victor@bioquest.cn

从NCBI下载最新的基因信息https://ftp.ncbi.nih.gov/gene/DATA/gene_info.gz

import numpy as np

import pandas as pd

import bioquest as bq

得到Symbol与Alias对应关系

g=pd.read_csv("gene_info_20230317.gz",sep='\t',usecols=['#tax_id','GeneID','Symbol','Synonyms'])

g.rename(columns={"#tax_id":"tax_id"},inplace=True)

g.loc[:,"Alias"]=g.Synonyms.str.split('|')

g = g.explode("Alias")

g = bq.tl.select(g,columns=["tax_id","GeneID","Symbol","Alias"])

g.reset_index(drop=True,inplace=True)

g.replace({'Alias': {'-':''}},inplace=True)

g.to_feather("SymbolAlias_20230317.feather",compression='zstd',compression_level=1)

          tax_id    GeneID      Symbol Alias

0              7  5692769    NEWENTRY     

1              9  2827857    NEWENTRY     

2              11  10823747    NEWENTRY     

3              14  6951813    NEWENTRY     

4              19  3758873    NEWENTRY     

...          ...      ...          ...  ...

44205723  3032134  60460443          ND6     

44205724  3032134  60460444          ND1     

44205725  3032134  60460445  I9997_mgr02     

44205726  3032134  60460446  I9997_mgt22     

44205727  3032134  60460447  I9997_mgr01     

[44205728 rows x 4 columns]

使用示例

示例数据

df = pd.read_csv("BLCA.csv",index_col="Gene Symbol")

#                                                      Gene Name      Species

# Gene Symbol                                                               

# ATP2B1            ATPase, Ca++ transporting, plasma membrane 1  Homo sapiens

# MYL6        myosin, light chain 6, alkali, smooth muscle a...  Homo sapiens

# RPS16                                    ribosomal protein S16  Homo sapiens

# HIST1H2BA                              histone cluster 1, H2ba  Homo sapiens

# H2AFY2                          H2A histone family, member Y2  Homo sapiens

# ...                                                        ...          ...

# UBB                                                ubiquitin B  Homo sapiens

# PYGB                            phosphorylase, glycogen; brain  Homo sapiens

# HLA-A            major histocompatibility complex, class I, A  Homo sapiens

# HSPA1A                            heat shock 70kDa protein 1A  Homo sapiens

# HSP90AB1    heat shock protein 90kDa alpha (cytosolic), cl...  Homo sapiens

转换

bq.tl.current_symbol(frame=df,reference="SymbolAlias_20230317.feather", tax_id=9606)

#                                                  Gene Name      Species  \

# H2BC1                                histone cluster 1, H2ba  Homo sapiens 

# MACROH2A2                      H2A histone family, member Y2  Homo sapiens 

# H3-3B                          H3 histone, family 3B (H3.3B)  Homo sapiens 

# H1-5                                  histone cluster 1, H1b  Homo sapiens 

# DARS1                              aspartyl-tRNA synthetase  Homo sapiens 

# ...                                                      ...          ... 

# UBB                                              ubiquitin B  Homo sapiens 

# PYGB                          phosphorylase, glycogen; brain  Homo sapiens 

# HLA-A          major histocompatibility complex, class I, A  Homo sapiens 

# HSPA1A                          heat shock 70kDa protein 1A  Homo sapiens 

# HSP90AB1  heat shock protein 90kDa alpha (cytosolic), cl...  Homo sapiens 

#                Alias 

# H2BC1      HIST1H2BA 

# MACROH2A2    H2AFY2 

# H3-3B          H3F3B 

# H1-5        HIST1H1B 

# DARS1          DARS 

# ...              ... 

# UBB              NaN 

# PYGB            NaN 

# HLA-A            NaN 

# HSPA1A          NaN 

# HSP90AB1        NaN 

# [378 rows x 3 columns]